[發明專利]一種車輛顏色識別方法

有效

• 申請號: 201811395635.0
• 申請日: 2018-11-22
• 公開（公告）號: CN109558872B
• 公開（公告）日: 2022-02-11
• 發明（設計）人: 周欣;潘薇;王若君
• 申請（專利權）人: 四川大學
• 主分類號: G06V10/56
• 分類號: G06V10/56;G06V20/62;G06V10/764;G06K9/62
• 代理公司: 成都方圓聿聯專利代理事務所(普通合伙) 51241
• 代理人: 李鵬

1.一種車輛顏色識別方法，其特征在于，包括以下步驟：

S1：獲取白色、灰色、黑色、紅色、粉色、黃色、綠色、藍色、紫色和棕色的車輛彩色圖像作為訓練樣本；

S1具體包括下述步驟：

S11：獲取日間各種光照不同路面下的車輛正面彩色圖像，彩色圖像要求車牌懸掛于車輛正中，車牌在圖像中寬度為80—150像素，完整清晰；人工判別車身顏色并分類；

S12：對步驟S11得到的圖像進行車牌識別，并記錄車牌矩形的寬度W與位置；用雙線性插值法對圖像進行縮小變換，車牌矩形寬度縮小為10像素，縮小倍數λ＝W/10，得到彩色縮小圖像，根據縮小倍數λ重新計算車牌矩形位置；

S13：對步驟S12得到的彩色縮小圖像進行切分，以車牌矩形的下底邊為基準，向左向右各擴展30像素，向下擴展15像素，向上擴展55像素，獲得大小為70×70像素的車輛彩色圖像；

S14：將完成后得到的車輛彩色圖像按顏色分類后作為訓練樣本；

S2：采用LIBSVM工具箱中的線性SVM對訓練樣本進行逐對分類訓練，獲取45個顏色分類器；

S2具體步驟如下：

S21：以LIBSVM工具箱中的SVM為基礎，配置訓練參數如下：選擇線性核函數；設置懲罰參數C＝0.05；

S22：獲取所有訓練樣本的特征向量，每一張車輛彩色圖像對應生成一個特征向量，每個像素的原始R、G、B值作為特征數據按行、按(R、G、B)排列形成特征向量(R、G、B、…R、G、B)^T，T為矩陣轉置符號；每個特征向量包含14700個特征數據，每類顏色的特征向量形成一個集合；

S23：對顏色編號，白＝0、灰＝1、黑＝2、紅＝3、粉＝4、黃＝5、綠＝6、藍＝7、紫＝8、棕＝9；按逐對分類法，使用步驟S21得到的SVM，對步驟S22獲取的10個類別的特征向量集合進行訓練，得到45個分類器：ω₀₁…ω₀₉、ω₁₂…ω₁₉、ω₂₃…ω₂₉、ω₃₄…ω₃₉、ω₄₅…ω₄₉、ω₅₆…ω₅₉、ω₆₇…ω₆₉、ω₇₈…ω₇₉、ω₈₉，按下標編號對應顏色分類為白灰…白棕、灰黑…灰棕、黑紅…黑棕、紅粉…紅棕、黃綠…黃棕、藍紫…藍棕、紫棕；每個分類器ω_ij為14701維列向量，i與j對應顏色編號，取值0—9；

S3：對抓拍的車輛正面圖像進行車牌識別，根據車牌大小獲取70×70像素的車輛彩色待識別圖像；

S4：獲取待識別車輛彩色圖像的特征向量，并送入S2中訓練好的分類器，確定車輛顏色類別。

2.根據權利要求1所述的方法，其特征在于：S3的具體步驟如下：

S31：識別車牌，并記錄車牌矩形的寬度W與位置；用雙線性插值法對圖像進行縮小變換，車牌矩形寬度縮小為10像素，縮小倍數λ＝W/10，得到彩色縮小圖像，根據縮小倍數λ重新計算車牌矩形位置；

S32：對步驟S31獲得的彩色縮小圖像灰度化，并用(1,0，-1)算子提取灰度圖像的垂直邊緣，獲得邊緣圖像E1；

S33：以S31獲得的車牌矩形的下底邊為基準，向左向右各擴展55像素，向下擴展15像素，向上擴展20像素，在步驟S32獲得的邊緣圖像E1上切分出大小為120×35像素的邊緣圖像E2；對邊緣圖像E2在水平軸進行投影，獲取投影向量P；

S34：對S33得到的投影向量P進行對稱性計算，獲取最佳對稱中心，該對稱中心為車輛水平中心C；

S35：對S31得到的彩色縮小圖像、車牌矩形位置和步驟S34得到的車輛水平中心C，以車牌矩形的下底邊為基準，向上擴展55像素，向下擴展15像素；以車輛水平中心C為基準向左向右各擴展35像素，獲得大小為70×70像素的車輛彩色圖像。

3.根據權利要求2所述的方法，其特征在于：S4的具體步驟如下：

S41：對步驟S35獲得的70×70像素的車輛彩色圖像生成一個14701維特征向量x，每個像素的原始R、G、B值作為特征數據按行、按(R、G、B)排列，并在最后添加1，形成特征向量x＝(R、G、B、…R、G、B、1)^T；

S42的具體步驟如下：

S421：設置初始值i＝0，j＝9；

S422：計算g(x)＝ω^T_ijx；如果g(x)＜0，i＝i+1；否則j＝j-1；其中g(x)表示特征向量x的函數；

S423：比較i與j；如果i＜j，重復S422；否則根據i的值和步驟S23設定的顏色編號，輸出車輛顏色識別結果。